爬取页面和审查元素获取的内容不一致

Posted 2021-01-11 yuantup

今天看书看到 图片爬虫实战之爬取京东手机图片 这一节，想着自己动手练习一下，因为以前看过视频所以思路还是比较清晰，主要是为了复习巩固刚刚学的正则表达式。

 

 

打开京东手机页面，

https://list.jd.com/list.html?cat=9987,653,655&page=1&sort=sort_rank_asc&trans=1&JL=6_0_0#J_main

审查元素发现手机图片有两种格式：

1.每一页的前十是这样的

2.第十一个开始是这样的

仔细看了看区别就是多了一个 data-lazy-img 和 title   

心想简单啊我写两个正则表达式匹配一下不就行了，于是：

为了求稳，先测试了一下能否正确获取我需要的地址：结果只有10个地址。心想是不是"."不能匹配换行符的原因啊，于是

各种百度查资料保证"."可以匹配换行符。。。emmmm，还是不行

 

 

于是我就看书上是咋写的  ，书上写的是：

我一看不对啊，这和说好的不一样啊啊

我用他的试了试，确实找到了50张图片的地址（一页共有60个手机信息，前十个是可以正常爬取地址的）

下载下来的图片：

 

 为了验证我的正则表达式哪里出错了，我把下载下来的地址复制到浏览器F12打开的界面中去查找：

这和他给的正则表达式不一样把！！！怎么匹配上的

 我还尝试了将下图中title中的内容复制到源代码中查找，也没有!

 

 这个时候我发现不对劲了，因为我re能匹配到东西，所以我请求的网页中是有这个内容的，但是网页源代码中没有，说明

 

我请求到的网页代码和浏览器审查元素显示的代码不一致

 

 找到问题之后，一通百度，啥有用的都没看到。

 

突然想到以前在一本爬虫书上看到过有一章叫做——动态网站抓取（这本书只看了基础知识介绍就没看了，因为它使用的是python2的版本，我看书之前喜欢先看大纲和目录，有个大概的印象）

 

翻出来一看，知道了。

 

所谓查看网页源代码，就是别人服务器发送到浏览器的原封不动的代码。这是爬虫获得的代码
你那些在源码中找不到的代码（元素），那是在浏览器执行js动态生成的，这些能在审查元素中看到
通过审查元素就 看到就是浏览器处理过的最终的html代码。

解决办法：一种是直接从javascript中采集加载的数据，用json模块处理；

                  另一种方式是直接采集浏览器中已经加载好的数据，借助工具--PhantomJS

 

最后，这个问题圆满解决了

附上代码和运行结果截图：

 

#!/usr/bin/env python
# -*- coding: utf-8 -*-
# @Time    : 2018/10/8 15:11
# @Author  : yuantup
# @Site    : 
# @File    : jdshouji_image.py
# @Software: PyCharm

import urllib.request
import re
import os


def open_url(url):
    head = {‘User-Agent‘: ‘Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/5‘
                          ‘37.36 (KHTML, like Gecko) Chrome/63.0.3239.132 Safari/537.36‘}
    req = urllib.request.Request(url, headers=head)
    response = urllib.request.urlopen(req)
    # print(response.getcode())
    html = response.read()
    return html


def get_img_addr(html):
    html_str = html.decode(‘utf-8‘)
    # print(html_str)
    img_addrs =[]
    pattern1 = ‘<img width="220" height="220" data-img="1" src="(.+?[.jpg|.png])"‘
    pattern2 = ‘<img width="220" height="220" data-img="1" data-lazy-img="done"  title=.+? src="(.+?[.jpg|.png])"‘
    pattern2 = ‘<img width="220" height="220" data-img="1" data-lazy-img="(.+?[.jpg|.png])"‘
    img_addrs1 = re.compile(pattern1).findall(html_str)
    # print(img_addrs)
    img_addrs2 = re.compile(pattern2).findall(html_str)
    # print(len(img_addrs))
    img_addrs.extend(img_addrs1)
    img_addrs.extend(img_addrs2)
    print(img_addrs)
    return img_addrs


def save_img(img_addrs):
    i = 0
    for each in img_addrs:
        i = i+1
        img_name = each.split("/")[-1]
        with open(img_name, ‘wb‘) as f:
            correct_url = ‘http:‘ + each
            img = open_url(correct_url)
            f.write(img)
    return i


def main():
    path = ‘E:spiser_sonsshouji_img‘
    a = os.getcwd()
    print(a)
    if os.path.exists(path):
        os.chdir(path)
        print(os.getcwd())
    else:
        os.mkdir(path)
    # os.chdir(path)

    for i in range(1, 11):
        url = ‘https://list.jd.com/list.html?cat=9987,653,655&page=‘ + str(i)
        html = open_url(url)
        img_addrs = get_img_addr(html)
        print(url)
        save_img(img_addrs)


if __name__ == ‘__main__‘:
    main()